Contribuições à análise de robustez de sistemas de controle usando redes neurais

Mostrar outras versões (1)

This work develops a robustness analysis with respect to the modeling errors, being applied to the strategies of indirect control using Artificial Neural Networks - ANN s, belong to the multilayer feedforward perceptron class with on-line training based on gradient method (backpropagation). The pres...

全面介绍

Na minha lista:
书目详细资料
主要作者: Gabriel Filho, Oscar
其他作者: Maitelli, André Laurindo
格式: doctoralThesis
语言:por
出版: Universidade Federal do Rio Grande do Norte
主题:
Estabilidade e Robustez de Sistemas de Controle Neurais
Controle Inteligente
Redes Neurais Artificiais
Redes Multicamadas
Neural Control Systems
Stability and Robustness
Intelligent Control
Artificial Neural Networks
Multilayer Perceptron
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
在线阅读:https://repositorio.ufrn.br/jspui/handle/123456789/15178
标签: 添加标签
没有标签, 成为第一个标记此记录!
id ri-123456789-15178
record_format dspace
institution Repositório Institucional
collection RI - UFRN
language por
topic Estabilidade e Robustez de Sistemas de Controle Neurais
Controle Inteligente
Redes Neurais Artificiais
Redes Multicamadas
Neural Control Systems
Stability and Robustness
Intelligent Control
Artificial Neural Networks
Multilayer Perceptron
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
spellingShingle Estabilidade e Robustez de Sistemas de Controle Neurais
Controle Inteligente
Redes Neurais Artificiais
Redes Multicamadas
Neural Control Systems
Stability and Robustness
Intelligent Control
Artificial Neural Networks
Multilayer Perceptron
CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA
Gabriel Filho, Oscar
Contribuições à análise de robustez de sistemas de controle usando redes neurais
description This work develops a robustness analysis with respect to the modeling errors, being applied to the strategies of indirect control using Artificial Neural Networks - ANN s, belong to the multilayer feedforward perceptron class with on-line training based on gradient method (backpropagation). The presented schemes are called Indirect Hybrid Control and Indirect Neural Control. They are presented two Robustness Theorems, being one for each proposed indirect control scheme, which allow the computation of the maximum steady-state control error that will occur due to the modeling error what is caused by the neural identifier, either for the closed loop configuration having a conventional controller - Indirect Hybrid Control, or for the closed loop configuration having a neural controller - Indirect Neural Control. Considering that the robustness analysis is restrict only to the steady-state plant behavior, this work also includes a stability analysis transcription that is suitable for multilayer perceptron class of ANN s trained with backpropagation algorithm, to assure the convergence and stability of the used neural systems. By other side, the boundness of the initial transient behavior is assured by the assumption that the plant is BIBO (Bounded Input, Bounded Output) stable. The Robustness Theorems were tested on the proposed indirect control strategies, while applied to regulation control of simulated examples using nonlinear plants, and its results are presented
author2 Maitelli, André Laurindo
author_facet Maitelli, André Laurindo
Gabriel Filho, Oscar
format doctoralThesis
author Gabriel Filho, Oscar
author_sort Gabriel Filho, Oscar
title Contribuições à análise de robustez de sistemas de controle usando redes neurais
title_short Contribuições à análise de robustez de sistemas de controle usando redes neurais
title_full Contribuições à análise de robustez de sistemas de controle usando redes neurais
title_fullStr Contribuições à análise de robustez de sistemas de controle usando redes neurais
title_full_unstemmed Contribuições à análise de robustez de sistemas de controle usando redes neurais
title_sort contribuições à análise de robustez de sistemas de controle usando redes neurais
publisher Universidade Federal do Rio Grande do Norte
publishDate 2014
url https://repositorio.ufrn.br/jspui/handle/123456789/15178
work_keys_str_mv AT gabrielfilhooscar contribuicoesaanalisederobustezdesistemasdecontroleusandoredesneurais
_version_ 1773964206114078720
spelling ri-123456789-151782017-11-02T10:29:26Z Contribuições à análise de robustez de sistemas de controle usando redes neurais Gabriel Filho, Oscar Maitelli, André Laurindo http://lattes.cnpq.br/4171033998524192 http://lattes.cnpq.br/0477027244297797 Oliveira, Roberto Célio Limão de http://lattes.cnpq.br/4497607460894318 Cerqueira, Jés de Jesus Fiais http://lattes.cnpq.br/3099827700882478 Dória Neto, Adrião Duarte http://lattes.cnpq.br/1987295209521433 Mota, Francisco das Chagas http://lattes.cnpq.br/1640808531484356 Estabilidade e Robustez de Sistemas de Controle Neurais Controle Inteligente Redes Neurais Artificiais Redes Multicamadas Neural Control Systems Stability and Robustness Intelligent Control Artificial Neural Networks Multilayer Perceptron CNPQ::ENGENHARIAS::ENGENHARIA ELETRICA This work develops a robustness analysis with respect to the modeling errors, being applied to the strategies of indirect control using Artificial Neural Networks - ANN s, belong to the multilayer feedforward perceptron class with on-line training based on gradient method (backpropagation). The presented schemes are called Indirect Hybrid Control and Indirect Neural Control. They are presented two Robustness Theorems, being one for each proposed indirect control scheme, which allow the computation of the maximum steady-state control error that will occur due to the modeling error what is caused by the neural identifier, either for the closed loop configuration having a conventional controller - Indirect Hybrid Control, or for the closed loop configuration having a neural controller - Indirect Neural Control. Considering that the robustness analysis is restrict only to the steady-state plant behavior, this work also includes a stability analysis transcription that is suitable for multilayer perceptron class of ANN s trained with backpropagation algorithm, to assure the convergence and stability of the used neural systems. By other side, the boundness of the initial transient behavior is assured by the assumption that the plant is BIBO (Bounded Input, Bounded Output) stable. The Robustness Theorems were tested on the proposed indirect control strategies, while applied to regulation control of simulated examples using nonlinear plants, and its results are presented Este trabalho utiliza as Redes Neurais Multicamadas - RNM s, totalmente com treinamento em tempo real (on-line), no desenvolvimento de duas estratégias de controle indireto. Os esquemas propostos denominam-se Controle Híbrido Indireto e Controle Neural Indireto. Todo o treinamento dos neurodispositivos - o identificador da planta e o controlador, quando presentes na malha de controle indireto, é realizado com um mínimo de atraso computacional, de modo a contemplar o controle de plantas com pequenos períodos de amostragem. São apresentados Teoremas de Estabilidade para garantia da convergência dos dispositivos neurais, assim como foram feitas considerações para adequar o método de aceleração da convergência h-adaptativo utilizado às condições de estabilidade. Para cada esquema de controle indireto foi desenvolvido um teorema que permite calcular o máximo erro permanente (steady-state error) que poderá ocorrer em função da tolerância previamente especificada para convergência dos dispositivos neurais usados na malha de controle, desde que a estabilidade seja garantida. Estes teoremas foram denominados de Teoremas da Robustez e constituem a principal contribuição deste trabalho. As condições de estabilidade e robustez foram testadas para as estratégias de Controle Híbrido Indireto e de Controle Neural Indireto, sendo apresentados os resultados obtidos na simulação computacional do controle de regulação de plantas não-lineares, BIBO (Bounded Input, Bounded Output) estáveis 2014-12-17T14:55:03Z 2007-02-12 2014-12-17T14:55:03Z 2004-03-05 doctoralThesis GABRIEL FILHO, Oscar. Contribuições à análise de robustez de sistemas de controle usando redes neurais. 2004. 169 f. Tese (Doutorado em Automação e Sistemas; Engenharia de Computação; Telecomunicações) - Universidade Federal do Rio Grande do Norte, Natal, 2004. https://repositorio.ufrn.br/jspui/handle/123456789/15178 por Acesso Aberto application/pdf application/pdf Universidade Federal do Rio Grande do Norte BR UFRN Programa de Pós-Graduação em Engenharia Elétrica Automação e Sistemas; Engenharia de Computação; Telecomunicações

相似书籍